CN112698288A - 用于识别姿态的方法、装置、处理器、热水器及监测系统 - Google Patents
用于识别姿态的方法、装置、处理器、热水器及监测系统 Download PDFInfo
- Publication number
- CN112698288A CN112698288A CN202011290096.1A CN202011290096A CN112698288A CN 112698288 A CN112698288 A CN 112698288A CN 202011290096 A CN202011290096 A CN 202011290096A CN 112698288 A CN112698288 A CN 112698288A
- Authority
- CN
- China
- Prior art keywords
- target data
- speed
- determining
- classification model
- acceleration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012544 monitoring process Methods 0.000 title claims abstract description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 10
- 238000013145 classification model Methods 0.000 claims abstract description 88
- 230000036544 posture Effects 0.000 claims description 105
- 230000001133 acceleration Effects 0.000 claims description 73
- 239000013598 vector Substances 0.000 claims description 22
- 238000012937 correction Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000009434 installation Methods 0.000 claims description 11
- 230000015572 biosynthetic process Effects 0.000 claims description 10
- 238000003786 synthesis reaction Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 18
- 238000003860 storage Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000012790 confirmation Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000003287 bathing Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/886—Radar or analogous systems specially adapted for specific applications for alarm systems
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明实施例提供一种用于识别姿态的方法、装置、处理器、热水器及监测系统。方法包括:从与用户相关联的雷达数据中分别选取第一数量的第一目标数据和第二数量的第二目标数据;将第一目标数据和第二目标数据分别输入至第一分类模型和第二分类模型;获取第一分类模型输出的第一姿态识别结果和第二分类模型输出的第二姿态识别结果;在第一姿态识别结果与第二姿态识别结果均为跌倒姿态的情况下,确定用户处于跌倒姿态,这种方法通过多个分类模型有效地提高了对于用户是否处于跌倒的识别准确率,同时也可以及时发现用户是否处于跌倒状态,有效地降低了老人、小孩、孕妇或用户独自一人在家意外跌倒导致救援不及时的危险情况的发生。
Description
技术领域
本发明涉及计算机技术领域,具体地涉及一种用于识别姿态的方法、装置、处理器、热水器及监测系统。
背景技术
随着社会的发展,独居人士的数量急剧增加,但独居用户发生意外时,往往由于发现不及时,救援滞后,导致独居的风险增加。而且,由于老龄化越来越严重化,老年人独居的人数也日益渐增,但老年人由于身体原因,往往独居时发生的意外情况更多。据统计,中国每年约有4000万65岁以上的老人发生过跌倒,每一万人中有8位老人因跌倒死亡,跌倒已经成为了65岁老人的“头号杀手”。除了老人,孕妇也属于需要重点保护的对象,由于行动不便,孕妇若发生跌倒也需要及时进行救援。
通常情况下,由于用户对家居环境隐私的敏感性,通常不会在浴室内安装传统的摄像头,以避免暴露用户的隐私。这种情况下,对于浴室跌倒的意外情况发生,往往无法及时发现并预警。
发明内容
本发明实施例的目的是提供一种有效识别用户是否处于跌倒状态的用于识别姿态的方法、装置、处理器、热水器及浴室监测系统。
为了实现上述目的,本发明第一方面提供一种用于识别姿态的方法,包括:
从与用户相关联的雷达数据中分别选取第一数量的第一目标数据和第二数量的第二目标数据;
将第一目标数据和第二目标数据分别输入至第一分类模型和第二分类模型;
获取第一分类模型输出的第一姿态识别结果和第二分类模型输出的第二姿态识别结果;
在第一姿态识别结果与第二姿态识别结果均为跌倒姿态的情况下,确定用户处于跌倒姿态。
在本发明的实施例中,第一数量小于第二数量。
在本发明的实施例中,方法还包括:
在将第一目标数据和第二目标数据分别输入至第一分类模型和第二分类模型之前,对第一目标数据和第二目标数据进行校正;
将校正后的第一目标数据和第二目标数据进行滤波处理;
从滤波处理后的第一目标数据中选取第一预设序号区间内的数据输入至第一分类模型;
从滤波处理后的第二目标数据中选取第二预设序号区间内的数据输入至第二分类模型。
在本发明的实施例中,对第一目标数据和第二目标数据进行校正包括:
获取雷达设备相对于水平面的安装角度;
根据安装角度确定校正角度;
根据校正角度对第一目标数据和第二目标数据对应的坐标进行旋转,以得到校正后的第一目标数据和第二目标数据。
在本发明的实施例中,获取第一分类模型输出的第一姿态识别结果包括:
通过第一分类模型提取出第一目标数据中每一帧数据的三维坐标位置、三维方向的速度,其中,三维坐标位置包括横轴坐标位置、竖轴坐标位置以及纵轴坐标位置,三维方向的速度包括横轴速度、竖轴速度以及纵轴速度;
通过横轴速度以及竖轴速度确定每一帧数据在横轴和数轴构成的二维平面的合成速度;
根据三维方向的速度确定三维方向的加速度,三维方向的加速度包括横轴加速度、竖轴加速度以及纵轴加速度;
将三维坐标位置、三维方向的速度、三维方向的加速度以及合成速度组成第一多维向量数组;
根据第一多维向量数组、第一预设系数、第一预设函数以及第一预设偏移量确定对应的第一姿态阈值;
根据第一姿态阈值确定第一姿态识别结果。
在本发明的实施例中,根据第一姿态阈值确定第一姿态识别结果包括:
在第一姿态阈值大于第一预设阈值的情况下,确定第一姿态识别结果为跌倒姿态;
在第一姿态阈值小于或等于第一预设阈值的情况下,确定第一姿态识别结果为正常姿态。
在本发明的实施例中,获取第二分类模型输出的第二姿态识别结果包括:
通过第二分类模型提取出第二目标数据中每一帧数据的三维坐标位置、三维方向的速度,其中,三维坐标位置包括横轴坐标位置、竖轴坐标位置以及纵轴坐标位置,三维方向的速度包括横轴速度、竖轴速度以及纵轴速度;
通过横轴速度以及竖轴速度确定每一帧数据在横轴和数轴构成的二维平面的合成速度;
根据三维方向的速度确定三维方向的加速度,三维方向的加速度包括横轴加速度、竖轴加速度以及纵轴加速度;
将三维坐标位置、三维方向的速度、三维方向的加速度以及合成速度组成第二多维向量数组;
根据第二多维向量数组、第二预设系数、第二预设函数以及第二预设偏移量确定对应的第二姿态阈值;
根据第二姿态阈值确定第二姿态识别结果。
在本发明的实施例中,根据第二姿态阈值确定第二姿态识别结果包括:
在第二姿态阈值大于第二预设阈值的情况下,确定第二姿态识别结果为跌倒姿态;
在第二姿态阈值小于或等于第二预设阈值的情况下,确定第二姿态识别结果为正常姿态。
在本发明的实施例中,第一预设阈值大于第二预设阈值。
在本发明的实施例中,根据三维方向的速度确定三维方向的加速度包括:
根据上一帧数据的三维方向的速度以及当前帧数据的三维方向的速度确定当前帧的横轴加速度、竖轴加速度以及纵轴加速度。
在本发明的实施例中,第一分类模型是通过摔倒数据集训练得到的,第二分类模型是通过摔倒数据集、下蹲数据集、弯腰数据集以及坐下数据集训练得到的。
本发明第二方面提供一种用于识别姿态的装置,包括:
雷达设备,用于采集与用户相关联的雷达数据;
处理器。
本发明第三方面提供一种处理器,被配置成执行上述的用于识别姿态的方法。
本发明第四方面提供一种热水器,包含如上述的用于识别姿态的装置。
本发明第五方面提供一种浴室监测系统,包括:
用于识别姿态的装置;
报警装置,用于在确定用户处于跌倒姿态之后,启动报警。
本发明第六方面提供一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令在被处理器执行时使得处理器被配置成执行上述的用于识别姿态的方法。
通过上述用于识别姿态的方法、装置、处理器、热水器及浴室监测系统,可以从与用户相关联的雷达数据中分别选取第一数量的第一目标数据和第二数量的第二目标数据,并将第一目标数据和第二目标数据分别输入至第一分类模型和第二分类模型,并在第一分类模型输出的第一姿态识别结果和第二分类模型输出的第二姿态识别结果均为跌倒姿态的情况下,可以确定用户处于跌倒姿态,这种方法通过多个分类模型对用户的雷达数据进行分析预测,有效地提高了对于用户是否处于跌倒的识别准确率,同时也可以及时发现用户是否处于跌倒状态,有效地降低了老人、小孩、孕妇或用户独自一人在家意外跌倒导致救援不及时的危险情况的发生。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1示意性示出了根据本发明实施例的用于识别姿态的方法的流程示意图;
图2示意性示出了根据本发明实施例的获取第一分类模型输出的第一姿态识别结果的步骤的流程示意图;
图3示意性示出了根据本发明实施例的获取第二分类模型输出的第二姿态识别结果的步骤的流程示意图;
图4示意性示出了根据本发明实施例的在步骤102之前的步骤的流程示意图;
图5示意性示出了根据本发明实施例的步骤401的流程示意图;
图6示意性示出了根据本发明一实施例的用于识别姿态的装置的结构框图;
图7示意性示出了根据本发明另一实施例的用于识别姿态的装置的结构框图;
图8示意性示出了根据本发明实施例的热水器的结构框图;
图9示意性示出了根据本发明实施例的浴室监测系统900的结构框图;
图10示意性示出了根据本发明实施例的计算机设备的内部结构图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
图1示意性示出了根据本发明实施例的用于识别姿态的方法的流程示意图。如图1所示,在本发明一实施例中,提供了一种用于识别姿态的方法,包括以下步骤:
步骤101,从与用户相关联的雷达数据中分别选取第一数量的第一目标数据和第二数量的第二目标数据。
步骤102,将第一目标数据和第二目标数据分别输入至第一分类模型和第二分类模型。
步骤103,获取第一分类模型输出的第一姿态识别结果和第二分类模型输出的第二姿态识别结果。
步骤104,在第一姿态识别结果与第二姿态识别结果均为跌倒姿态的情况下,确定用户处于跌倒姿态。
为了识别出用户是否跌倒,可以通过安装雷达设备采集用户的雷达数据,并通过分类模型对雷达数据进行分析确定。为了克服单一的分类模型容易将快速下蹲判定为摔倒的问题,可以采用两个分类模型同时对用户的姿态进行判断。
在一个实施例中,第一分类模型是通过摔倒数据集训练得到的,第二分类模型是通过摔倒数据集、下蹲数据集、弯腰数据集以及坐下数据集训练得到的。
通过不同的训练数据对两个模型分别进行训练,可以降低两个模型对于识别跌倒的错误率,从而可以整体提高对于用户是否跌倒状态的识别准确率。
具体地,服务器可以从与用户相关联的多个雷达数据中分别获取到第一数量的第一目标数据和第二数量的第二目标数据,并分别将第一目标数据输入至第一分类模型,将第二目标数据输入至第二分类模型。其中,第一数量小于第二数量。通过第一分类模型可以确定出第一目标数据所对应的第一姿态识别结果,通过第二分类模型可以确定出第二目标数据所对应的第二姿态识别结果,在第一姿态识别结果与第二姿态识别结果均为跌倒姿态的情况下,可以确定用户处于跌倒姿态。其中,分类模型可以是SVM模型,也可以称为支持向量机(support vector machines,SVM)。其基本模型是定义在特征空间上的间隔最大的线性分类器,间隔最大使它有别于感知机;SVM还包括核技巧,这使它成为实质上的非线性分类器。SVM的学习策略就是间隔最大化,可形式化为一个求解凸二次规划的问题,也等价于正则化的合页损失函数的最小化问题。
在一个实施例中,如图2所示,获取第一分类模型输出的第一姿态识别结果包括:
步骤201,通过第一分类模型提取出第一目标数据中每一帧数据的三维坐标位置、三维方向的速度。
步骤202,通过横轴速度以及竖轴速度确定每一帧数据在横轴和数轴构成的二维平面的合成速度。
步骤203,根据三维方向的速度确定三维方向的加速度,三维方向的加速度包括横轴加速度、竖轴加速度以及纵轴加速度。
步骤204,将三维坐标位置、三维方向的速度、三维方向的加速度以及合成速度组成第一多维向量数组。
步骤205,根据第一多维向量数组、第一预设系数、第一预设函数以及第一预设偏移量确定对应的第一姿态阈值。
步骤206,根据第一姿态阈值确定第一姿态识别结果。
其中,三维坐标位置包括横轴坐标位置、竖轴坐标位置以及纵轴坐标位置,即三维坐标位置是指每一帧数据的x,y,z轴的坐标值,三维方向的速度包括横轴速度、竖轴速度以及纵轴速度,即x,y,z轴方向的速度。通过第一分类模型可以提取出第一目标数据中每一帧数据的三维坐标位置、三维方向的速度,并将横轴速度以及竖轴速度进行合成,以确定每一帧数据在横轴和数轴构成的二维平面的合成速度,即x,y轴方向的合成速度。同时,根据三维方向的速度可以确定出三维方向的加速度,三维方向的加速度包括横轴加速度、竖轴加速度以及纵轴加速度,即可以根据x,y,z轴方向的速度确定出x,y,z轴方向的加速度。
在一个实施例中,根据三维方向的速度确定三维方向的加速度包括:根据上一帧数据的三维方向的速度以及当前帧数据的三维方向的速度确定当前帧的横轴加速度、竖轴加速度以及纵轴加速度。
在确定三维方向的加速度时,可以根据上一帧数据的x,y,z轴方向的速度,以及当前帧的x,y,z轴方向的速度之间的差值来确定出当前帧在x,y,z轴方向的加速度。之后,可以将三维坐标位置、三维方向的速度、三维方向的加速度以及合成速度组成第一多维向量数组,可以理解的是,第一多维向量数组中包含有十维特征向量。可以根据第一多维向量数组、第一预设系数、第一预设函数以及第一预设偏移量确定对应的第一姿态阈值。例如,将第一多维向量数组设为x,第一预设系数设为w,第一预设函数设为T,第一预设偏移量设为b,姿态阈值设为y。则姿态阈值y=wTx+b。由此,可以根据此公式可以计算出第一姿态阈值,并可以根据第一姿态阈值确定第一姿态识别结果。其中,第一多维向量数组、第一预设系数、第一预设函数以及第一预设偏移量均可以进行自定义,由技术人员根据实际情况进行调节。
在一个实施例中,根据第一姿态阈值确定第一姿态识别结果包括:在第一姿态阈值大于第一预设阈值的情况下,确定第一姿态识别结果为跌倒姿态;在第一姿态阈值小于或等于第一预设阈值的情况下,确定第一姿态识别结果为正常姿态。
在根据第一姿态阈值确定第一姿态识别结果时,可以将第一姿态阈值与预先设定的第一预设阈值进行比对。在第一姿态阈值大于第一预设阈值的情况下,可以确定第一姿态识别结果为跌倒姿态;在第一姿态阈值小于或等于第一预设阈值的情况下,可以确定第一姿态识别结果为正常姿态。
在一个实施例中,如图3所示,获取第二分类模型输出的第二姿态识别结果包括:
步骤301,通过第二分类模型提取出第二目标数据中每一帧数据的三维坐标位置、三维方向的速度。
步骤302,通过横轴速度以及竖轴速度确定每一帧数据在横轴和数轴构成的二维平面的合成速度。
步骤303,根据三维方向的速度确定三维方向的加速度,三维方向的加速度包括横轴加速度、竖轴加速度以及纵轴加速度。
步骤304,将三维坐标位置、三维方向的速度、三维方向的加速度以及合成速度组成第二多维向量数组。
步骤305,根据第二多维向量数组、第二预设系数、第二预设函数以及第二预设偏移量确定对应的第二姿态阈值。
步骤306,根据第二姿态阈值确定第二姿态识别结果。
在通过第二分类模型对第二目标数据进行分析,以得到第二姿态识别结果时,其过程与上述图2中通过第一分类模型对第一目标数据进行分析,以得到第一姿态识别结果的过程是一致的。在此不再赘述。其中,第二预设系数、第二预设函数、第二预设偏移量可以与第一预设系数、第一预设函数以及第一预设偏移量相同,也可以不相同,具体可以根据实际情况而定。
在一个实施例中,根据第二姿态阈值确定第二姿态识别结果包括:在第二姿态阈值大于第二预设阈值的情况下,确定第二姿态识别结果为跌倒姿态;在第二姿态阈值小于或等于第二预设阈值的情况下,确定第二姿态识别结果为正常姿态。
同样地,在根据第二姿态阈值确定第二姿态识别结果时,可以将第二姿态阈值与预先设定的第二预设阈值进行比对。在第二姿态阈值大于第二预设阈值的情况下,可以确定第二姿态识别结果为跌倒姿态;在第二姿态阈值小于或等于第二预设阈值的情况下,可以确定第二姿态识别结果为正常姿态。其中,第一预设阈值大于第二预设阈值。通常情况下,可以将第一姿态阈值设为0,但为了降低虚警率,可以提高第一预设阈值的数值。例如,可以将第一预设阈值设为0.6,也就是说,当第一姿态阈值大于0.6时,可以确定第一姿态识别结果摔倒;当第二姿态阈值小于或等于0.6时,可以确定第一姿态识别结果为正常。由于第一分类模型所采用的第一数量的第一目标数据小于第二分类模型的第二数量的第二目标数据,因此,相对应地,第一预设阈值大于第二预设阈值。例如,可以将第二预设阈值设为0.3,也就是说,当第二姿态阈值大于0.3时,可以确定第二姿态识别结果摔倒;当第二姿态阈值小于或等于0.3时,可以确定第二姿态识别结果为正常。
在一个实施例中,如图4所示,在步骤102之前,还包括以下步骤:
步骤401,对第一目标数据和第二目标数据进行校正。
在将第一目标数据和第二目标数据分别输入至第一分类模型和第二分类模型之前,需要对目标数据进行校正。
在一个实施例中,如图5所示,步骤401包括:
步骤501,获取雷达设备相对于水平面的安装角度。
步骤502,根据安装角度确定校正角度。
步骤503,根据校正角度对第一目标数据和第二目标数据对应的坐标进行旋转,以得到校正后的第一目标数据和第二目标数据。
首先,可以获取到雷达设备相对于水平面的安装角度,并根据该安装角度确定出第一目标数据和第二目标数据的校正角度。例如,当雷达设备相对于水平面的安装角度为35度时,可以确定第一目标数据和第二目标数据的校正角度为35度。故,可以对第一目标数据和第二目标数据对应的坐标进行旋转。具体地,可以对第一目标数据和第二目标数据的横坐标进行旋转,进行坐标系校正,以此可以得到校正后的第一目标数据和第二目标数据。
其中,雷达设备可以是毫米波雷达设备,由于上述用于识别姿态的方法可以用于浴室中检测用户是否在洗澡过程中发生跌倒的意外情况,而毫米波雷达具有较强的穿透塑料、陶瓷、玻璃、浴帘等障碍物和较远距离探测的能力,可以很好的适应多种空间格局,由此可以实现更准确地进行跌倒识别预警。
步骤402,将校正后的第一目标数据和第二目标数据进行滤波处理。
步骤403,从滤波处理后的第一目标数据中选取第一预设序号区间内的数据输入至第一分类模型。
步骤404,从滤波处理后的第二目标数据中选取第二预设序号区间内的数据输入至第二分类模型。
校正后,可以将校正后的第一目标数据和第二目标数据进行滤波处理,具体地,可以对目标数据进行中值滤波处理,然后,可以从滤波处理后的第一目标数据中选取第一预设序号区间内的数据输入至第一分类模型;从滤波处理后的第二目标数据中选取第二预设序号区间内的数据输入至第二分类模型。
例如,第一数量为历史的20帧雷达数据,第二数量为24帧的雷达数据,第一预设序号区间为3~18,第二预设序号区间为3~22。即,是指在进行数据校正以及滤波处理后,可以从第一数量为20帧的雷达数据中选取序号为3~18的雷达数据输入至第一分类模型,从第二数量为24帧的雷达数据中选取序号为3~22帧的雷达数据输入至第二分类模型中,从而可以通过第一分类模型对序号为3~18的雷达数据进行分析,以得到第一姿态识别结果,通过第二分类模型对序号为3~22的雷达数据进行分析,以得到第二姿态识别结果。
在一个实施例中,上述用于识别姿态的方法可以应用于浴室中,对正在洗澡或者使用浴室的用户进行跌倒识别,在确定出用户处于跌倒姿态的情况下,可以启动报警模式。
其中,启动报警模式包括:触发语音式报警询问;在获取到用户确认报警的反馈信息后,呼叫与用户预先绑定的通信号码;确认报警的反馈信息包括语音反馈信息以及触发报警装置的反馈信息中的至少一种。
在确定用户处于跌倒姿态的情况下,可以触发语音式报警询问,例如智能小助手对用户发起询问:“已检测到您跌倒,是否发起报警?”在接收到用户的确认报警的反馈信息的情况下,可以呼叫与用户预先绑定的通信号码。
例如,用户可以通过语音回答“是”来确认报警,也可以通过触发报警装置上的报警按钮以确认报警,在用户确认需要报警的情况下,可以呼叫与用户预先报警的通信号码。例如,用户A预先绑定了家属B的手机号码,则在用户A确认需要报警后,服务器可以根据用户确认报警的反馈信息呼叫家属B的手机号码。
在一个实施例中,还可以根据用户的跌倒情况确定跌倒的风险等级,例如,可以分为高、中、低三种等级。具体的分类方式可以根据实际情况进行自定义,比如,当用户为青年人或者中年人时,用户跌倒时的风险等级可以为低;当用户为孕妇或老年人时,用户跌倒时的风险等级可以为高;当用户为小孩时,用户跌倒时的风险等级可以为中。还可以根据用户的身体情况进行风险等级的确定,比如用户身体有生理残疾的情况时,用户跌倒时的风险等级为高,等等。以此方式可以实现智慧浴室的健康管理功能。
通过上述用于识别姿态的方法,可以从与用户相关联的雷达数据中分别选取第一数量的第一目标数据和第二数量的第二目标数据,并将第一目标数据和第二目标数据分别输入至第一分类模型和第二分类模型,并在第一分类模型输出的第一姿态识别结果和第二分类模型输出的第二姿态识别结果均为跌倒姿态的情况下,可以确定用户处于跌倒姿态,这种方法通过多个分类模型对用户的雷达数据进行分析预测,有效地提高了对于用户是否处于跌倒的识别准确率,同时也可以及时发现用户是否处于跌倒状态,有效地降低了老人、小孩、孕妇或用户独自一人在家意外跌倒导致救援不及时的危险情况的发生。
在一个实施例中,如图6所示,提供了一种用于识别姿态的装置600,包括:
雷达数据获取模块601,用于从与用户相关联的雷达数据中分别选取第一数量的第一目标数据和第二数量的第二目标数据。
模型分析模块602,用于将第一目标数据和第二目标数据分别输入至第一分类模型和第二分类模型;获取第一分类模型输出的第一姿态识别结果和第二分类模型输出的第二姿态识别结果。
姿态确认模块603,用于在第一姿态识别结果与第二姿态识别结果均为跌倒姿态的情况下,确定用户处于跌倒姿态。
在一个实施例中,上述用于识别姿态的装置600还包括数据预处理模块(图中未示出),用于对第一目标数据和第二目标数据进行校正;将校正后的第一目标数据和第二目标数据进行滤波处理;上述模型分析模块602还用于从滤波处理后的第一目标数据中选取第一预设序号区间内的数据输入至第一分类模型;从滤波处理后的第二目标数据中选取第二预设序号区间内的数据输入至第二分类模型。
在一个实施例中,数据预处理模块还用于获取雷达设备相对于水平面的安装角度;根据安装角度确定校正角度;根据校正角度对第一目标数据和第二目标数据对应的坐标进行旋转,以得到校正后的第一目标数据和第二目标数据。
在一个实施例中,模型分析模块602还用于通过第一分类模型提取出第一目标数据中每一帧数据的三维坐标位置、三维方向的速度,其中,三维坐标位置包括横轴坐标位置、竖轴坐标位置以及纵轴坐标位置,三维方向的速度包括横轴速度、竖轴速度以及纵轴速度;通过横轴速度以及竖轴速度确定每一帧数据在横轴和数轴构成的二维平面的合成速度;根据三维方向的速度确定三维方向的加速度,三维方向的加速度包括横轴加速度、竖轴加速度以及纵轴加速度;将三维坐标位置、三维方向的速度、三维方向的加速度以及合成速度组成第一多维向量数组;根据第一多维向量数组、第一预设系数、第一预设函数以及第一预设偏移量确定对应的第一姿态阈值;根据第一姿态阈值确定第一姿态识别结果。
在一个实施例中,姿态确认模块603还用于在第一姿态阈值大于第一预设阈值的情况下,确定第一姿态识别结果为跌倒姿态;在第一姿态阈值小于或等于第一预设阈值的情况下,确定第一姿态识别结果为正常姿态。
在一个实施例中,模型分析模块602还用于通过第二分类模型提取出第二目标数据中每一帧数据的三维坐标位置、三维方向的速度,其中,三维坐标位置包括横轴坐标位置、竖轴坐标位置以及纵轴坐标位置,三维方向的速度包括横轴速度、竖轴速度以及纵轴速度;通过横轴速度以及竖轴速度确定每一帧数据在横轴和数轴构成的二维平面的合成速度;根据三维方向的速度确定三维方向的加速度,三维方向的加速度包括横轴加速度、竖轴加速度以及纵轴加速度;将三维坐标位置、三维方向的速度、三维方向的加速度以及合成速度组成第二多维向量数组;根据第二多维向量数组、第二预设系数、第二预设函数以及第二预设偏移量确定对应的第二姿态阈值;根据第二姿态阈值确定第二姿态识别结果。
在一个实施例中,姿态确认模块603还用于在第二姿态阈值大于第二预设阈值的情况下,确定第二姿态识别结果为跌倒姿态;在第二姿态阈值小于或等于第二预设阈值的情况下,确定第二姿态识别结果为正常姿态。
在一个实施例中,第一数量小于第二数量。
在一个实施例中,第一预设阈值大于第二预设阈值。
在一个实施例中,模型分析模块602还用于根据上一帧数据的三维方向的速度以及当前帧数据的三维方向的速度确定当前帧的横轴加速度、竖轴加速度以及纵轴加速度。
在一个实施例中,用于识别姿态的装置600还包括训练模块(图中未示出),用于通过摔倒数据集训练第一分类模型,通过摔倒数据集、下蹲数据集、弯腰数据集以及坐下数据集训练第二分类模型。
用于识别姿态的装置包括处理器和存储器,上述雷达数据获取模块601、模型分析模块602和姿态确认模块603等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序模块中实现相应的功能。
本发明实施例提供了一种处理器,处理器用于运行程序,其中,程序运行时执行上述用于识别姿态的方法。
在一个实施例中,如图7所示,也提供了一种用于识别姿态的装置700,包括:
雷达设备701,用于采集与用户相关联的雷达数据。
处理器702,被配置成执行上述的用于识别姿态的方法。
在一个实施例中,如图8所示,提供了一种热水器800,包含上述用于识别姿态的装置700。
在一个实施例中,如图9所示,提供了一种浴室监测系统900,包括:
用于识别姿态的装置700;
报警装置901,用于在确定用户处于跌倒姿态之后,启动报警。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来实现对识别用户的姿态。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现上述用于识别姿态的方法。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器A01、网络接口A02、存储器(图中未示出)和数据库(图中未示出)。其中,该计算机设备的处理器A01用于提供计算和控制能力。该计算机设备的存储器包括内存储器A03和非易失性存储介质A04。该非易失性存储介质A04存储有操作系统B01、计算机程序B02和数据库(图中未示出)。该内存储器A03为非易失性存储介质A04中的操作系统B01和计算机程序B02的运行提供环境。该计算机设备的数据库用于存储用户的雷达数据。该计算机设备的网络接口A02用于与外部的终端通过网络连接通信。该计算机程序B02被处理器A01执行时以实现一种用于识别姿态的方法。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本发明实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现上述的用于识别姿态的方法。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有上述用于识别姿态的方法步骤的程序。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (15)
1.一种用于识别姿态的方法,其特征在于,所述方法包括:
从与用户相关联的雷达数据中分别选取第一数量的第一目标数据和第二数量的第二目标数据;
将所述第一目标数据和所述第二目标数据分别输入至第一分类模型和第二分类模型;
获取所述第一分类模型输出的第一姿态识别结果和所述第二分类模型输出的第二姿态识别结果;
在所述第一姿态识别结果与所述第二姿态识别结果均为跌倒姿态的情况下,确定所述用户处于跌倒姿态。
2.根据权利要求1所述的方法,其特征在于,所述第一数量小于所述第二数量。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在将所述第一目标数据和所述第二目标数据分别输入至第一分类模型和第二分类模型之前,对所述第一目标数据和所述第二目标数据进行校正;
将校正后的所述第一目标数据和所述第二目标数据进行滤波处理;
从滤波处理后的所述第一目标数据中选取第一预设序号区间内的数据输入至所述第一分类模型;
从滤波处理后的所述第二目标数据中选取第二预设序号区间内的数据输入至所述第二分类模型。
4.根据权利要求3所述的方法,其特征在于,所述对所述第一目标数据和所述第二目标数据进行校正包括:
获取雷达设备相对于水平面的安装角度;
根据所述安装角度确定校正角度;
根据所述校正角度对所述第一目标数据和所述第二目标数据对应的坐标进行旋转,以得到校正后的第一目标数据和第二目标数据。
5.根据权利要求1所述的方法,其特征在于,所述获取所述第一分类模型输出的第一姿态识别结果包括:
通过所述第一分类模型提取出所述第一目标数据中每一帧数据的三维坐标位置、三维方向的速度,其中,所述三维坐标位置包括横轴坐标位置、竖轴坐标位置以及纵轴坐标位置,所述三维方向的速度包括横轴速度、竖轴速度以及纵轴速度;
通过所述横轴速度以及所述竖轴速度确定每一帧数据在横轴和数轴构成的二维平面的合成速度;
根据所述三维方向的速度确定三维方向的加速度,所述三维方向的加速度包括横轴加速度、竖轴加速度以及纵轴加速度;
将所述三维坐标位置、三维方向的速度、三维方向的加速度以及所述合成速度组成第一多维向量数组;
根据第一多维向量数组、第一预设系数、第一预设函数以及第一预设偏移量确定对应的第一姿态阈值;
根据所述第一姿态阈值确定所述第一姿态识别结果。
6.根据权利要求5所述的方法,其特征在于,所述根据所述第一姿态阈值确定所述第一姿态识别结果包括:
在所述第一姿态阈值大于第一预设阈值的情况下,确定所述第一姿态识别结果为跌倒姿态;
在所述第一姿态阈值小于或等于所述第一预设阈值的情况下,确定所述第一姿态识别结果为正常姿态。
7.根据权利要求1所述的方法,其特征在于,所述获取所述第二分类模型输出的第二姿态识别结果包括:
通过所述第二分类模型提取出所述第二目标数据中每一帧数据的三维坐标位置、三维方向的速度,其中,所述三维坐标位置包括横轴坐标位置、竖轴坐标位置以及纵轴坐标位置,所述三维方向的速度包括横轴速度、竖轴速度以及纵轴速度;
通过所述横轴速度以及所述竖轴速度确定每一帧数据在横轴和数轴构成的二维平面的合成速度;
根据所述三维方向的速度确定三维方向的加速度,所述三维方向的加速度包括横轴加速度、竖轴加速度以及纵轴加速度;
将所述三维坐标位置、三维方向的速度、三维方向的加速度以及所述合成速度组成第二多维向量数组;
根据第二多维向量数组、第二预设系数、第二预设函数以及第二预设偏移量确定对应的第二姿态阈值;
根据所述第二姿态阈值确定所述第二姿态识别结果。
8.根据权利要求7所述的方法,其特征在于,所述根据所述第二姿态阈值确定所述第二姿态识别结果包括:
在所述第二姿态阈值大于第二预设阈值的情况下,确定所述第二姿态识别结果为跌倒姿态;
在所述第二姿态阈值小于或等于所述第二预设阈值的情况下,确定所述第二姿态识别结果为正常姿态。
9.根据权利要求6或8中任意一项所述的方法,其特征在于,第一预设阈值大于第二预设阈值。
10.根据权利要求5所述的方法,其特征在于,所述根据所述三维方向的速度确定三维方向的加速度包括:
根据上一帧数据的三维方向的速度以及当前帧数据的三维方向的速度确定当前帧的横轴加速度、竖轴加速度以及纵轴加速度。
11.根据权利要求1所述的方法,其特征在于,所述第一分类模型是通过摔倒数据集训练得到的,所述第二分类模型是通过摔倒数据集、下蹲数据集、弯腰数据集以及坐下数据集训练得到的。
12.一种处理器,其特征在于,被配置成执行根据权利要求1至11中任意一项所述的用于识别姿态的方法。
13.一种用于识别姿态的装置,其特征在于,所述装置包括:
雷达设备,用于采集与用户相关联的雷达数据;
根据权利要求12所述的处理器。
14.一种热水器,其特征在于,包括根据权利要求13所述的用于识别姿态的装置。
15.一种浴室监测系统,其特征在于,包括:
根据权利要求13所述的用于识别姿态的装置;
报警装置,用于在确定所述用户处于跌倒姿态之后,启动报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011290096.1A CN112698288A (zh) | 2020-11-17 | 2020-11-17 | 用于识别姿态的方法、装置、处理器、热水器及监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011290096.1A CN112698288A (zh) | 2020-11-17 | 2020-11-17 | 用于识别姿态的方法、装置、处理器、热水器及监测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112698288A true CN112698288A (zh) | 2021-04-23 |
Family
ID=75506445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011290096.1A Pending CN112698288A (zh) | 2020-11-17 | 2020-11-17 | 用于识别姿态的方法、装置、处理器、热水器及监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112698288A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221709A (zh) * | 2021-04-30 | 2021-08-06 | 芜湖美的厨卫电器制造有限公司 | 用于识别用户运动的方法、装置及热水器 |
CN113378692A (zh) * | 2021-06-08 | 2021-09-10 | 杭州萤石软件有限公司 | 一种降低跌倒行为误检的方法、检测系统 |
CN113936424A (zh) * | 2021-09-14 | 2022-01-14 | 青岛经济技术开发区海尔热水器有限公司 | 一种监测人体行为并主动告警的方法、热水器和服务器 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020170193A1 (en) * | 2001-02-23 | 2002-11-21 | Townsend Christopher P. | Posture and body movement measuring system |
CN103426161A (zh) * | 2012-05-15 | 2013-12-04 | 东芝阿尔派·汽车技术有限公司 | 车载摄像机自动校准装置 |
CN106709471A (zh) * | 2017-01-05 | 2017-05-24 | 宇龙计算机通信科技(深圳)有限公司 | 跌倒检测方法及装置 |
CN207182356U (zh) * | 2017-09-20 | 2018-04-03 | 南京师范大学 | 一种基于惯性传感器和压力传感器阵列的身份识别系统 |
CN109581361A (zh) * | 2018-11-22 | 2019-04-05 | 九牧厨卫股份有限公司 | 一种检测方法、检测装置、终端以及检测系统 |
-
2020
- 2020-11-17 CN CN202011290096.1A patent/CN112698288A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020170193A1 (en) * | 2001-02-23 | 2002-11-21 | Townsend Christopher P. | Posture and body movement measuring system |
CN103426161A (zh) * | 2012-05-15 | 2013-12-04 | 东芝阿尔派·汽车技术有限公司 | 车载摄像机自动校准装置 |
CN106709471A (zh) * | 2017-01-05 | 2017-05-24 | 宇龙计算机通信科技(深圳)有限公司 | 跌倒检测方法及装置 |
CN207182356U (zh) * | 2017-09-20 | 2018-04-03 | 南京师范大学 | 一种基于惯性传感器和压力传感器阵列的身份识别系统 |
CN109581361A (zh) * | 2018-11-22 | 2019-04-05 | 九牧厨卫股份有限公司 | 一种检测方法、检测装置、终端以及检测系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221709A (zh) * | 2021-04-30 | 2021-08-06 | 芜湖美的厨卫电器制造有限公司 | 用于识别用户运动的方法、装置及热水器 |
CN113221709B (zh) * | 2021-04-30 | 2022-11-25 | 芜湖美的厨卫电器制造有限公司 | 用于识别用户运动的方法、装置及热水器 |
CN113378692A (zh) * | 2021-06-08 | 2021-09-10 | 杭州萤石软件有限公司 | 一种降低跌倒行为误检的方法、检测系统 |
CN113378692B (zh) * | 2021-06-08 | 2023-09-15 | 杭州萤石软件有限公司 | 一种降低跌倒行为误检的方法、检测系统 |
CN113936424A (zh) * | 2021-09-14 | 2022-01-14 | 青岛经济技术开发区海尔热水器有限公司 | 一种监测人体行为并主动告警的方法、热水器和服务器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112698288A (zh) | 用于识别姿态的方法、装置、处理器、热水器及监测系统 | |
CN111666857B (zh) | 基于环境语义理解的人体行为识别方法、装置及存储介质 | |
US9008365B2 (en) | Systems and methods for pedestrian detection in images | |
Andò et al. | An event polarized paradigm for ADL detection in AAL context | |
CN111507199A (zh) | 一种佩戴口罩行为检测方法及装置 | |
US20120035927A1 (en) | Information Processing Apparatus, Information Processing Method, and Program | |
US20120020523A1 (en) | Information creation device for estimating object position and information creation method and program for estimating object position | |
WO2021179818A1 (zh) | 行驶状态识别方法、装置、终端及存储介质 | |
CN108460397A (zh) | 设备故障类型的分析方法、装置、储存介质和电子设备 | |
GB2507857A (en) | A method and system for tracking a vehicle | |
CN110135278A (zh) | 一种障碍物检测方法、装置及电子设备 | |
JP2022033805A (ja) | 無人車内の乗客状態の識別方法、装置、機器及び記憶媒体 | |
Jiang et al. | A real-time fall detection system based on HMM and RVM | |
CN112994960B (zh) | 业务数据异常检测方法、装置及计算设备 | |
CN111597921A (zh) | 场景识别方法、装置、计算机设备和存储介质 | |
CN116087943A (zh) | 基于毫米波雷达的室内跌倒检测方法及系统 | |
JP2017076181A (ja) | 追跡装置 | |
US20230136403A1 (en) | Method and device for event displaying, storage medium, and electronic device | |
JP6590477B2 (ja) | 情報処理装置、情報処理方法、プログラム | |
Alqarni | Error-less data fusion for posture detection using smart healthcare systems and wearable sensors for patient monitoring | |
CN106502756A (zh) | 应用程序控制方法及装置 | |
CN112612844B (zh) | 数据处理方法、装置、设备和存储介质 | |
CN107290797B (zh) | 一种基于群体感知的障碍物检测系统及方法 | |
Luca et al. | Anomaly detection using the Poisson process limit for extremes | |
Patino et al. | Online learning of activities from video |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |